本研究旨在将数据驱动的行为规范与能够在物理模拟中执行类似行为的系统相结合，以实现对扰动和环境变化的逼真响应。通过将运动模仿目标与任务目标相结合，我们可以训练出能够在交互环境中智能反应的角色，例如向所需方向行走或向用户指定目标扔球。同时，本研究探讨了多种集成多个运动片段的方法，以开发出能够执行丰富多样的技能的多才多艺的代理。

Apr, 2018

本文介绍应用生成对抗性模仿学习方法，通过有限的高维仿人体运动演示数据，训练神经网络策略以产生类人的运动模式，并利用该方法构建子技能策略解决高维身体姿态控制任务。

Jul, 2017

使用智能手机获取视频进行步态分析可以揭示许多临床机会以检测和量化步态障碍。然而，现有视频估计步态参数的方法可能产生不符合物理规律的结果。为了解决这个问题，我们使用强化学习训练一个策略来控制人类运动的物理模拟，以复制视频中观察到的运动。这样可以强制推断的运动具有物理可行性，同时提高步幅和步行速度的准确性。

Feb, 2024

本研究提出了一种基于商用机械臂的可行的、简化了数据收集过程的、能够有效采集各种复杂场景演示数据的人机互动界面，并采用了多项数据增强技术来优化模型的学习性能，最终在非捏取推动和物品堆叠等任务中获得了较高的成功率。

Aug, 2020

本研究提出了一种采用 3D 人体姿态估计和强化学习相结合的新型运动模仿模型，通过将运动模仿转化为强化学习中的关节角度预测问题，从而极大减少了对大量训练数据的依赖，使得模型能够从仅有几秒钟的视频中学习模仿策略，并展现出强大的泛化能力。该项目可轻松地将人的手臂运动模仿到机械手臂上，表现出卓越的性能和稳健的迁移能力。

May, 2024

本文提出了一种基于大规模数据驱动的框架，通过对动作片段的不需要任务特定的注释或分割的大数据集进行对抗性模仿学习和无监督强化学习来开发可生动表现行为且易于控制下游任务的技能嵌入，并且利用大规模并行 GPU 模拟器的并行计算能力，训练技能嵌入，使其能够学习丰富、多样化的技能，从而使在新的多种任务中表现成功，为物理模拟动画的基础控制策略提供了新思路。

May, 2022

本文提出了一种使用对抗性模仿学习和强化学习来训练物理模拟角色表现场景交互任务的系统，无需手动注释大型非结构化运动数据，并且在训练过程中随机对象属性和其放置位置，从而能够推广到训练数据集中未呈现的物体和场景，并以自然的角色场景交互方式进行表现。

Feb, 2023

该篇论文介绍了如何使用基于数据驱动的生成模型，结合深度强化学习算法来实现基于多段运动捕捉数据的真实人体动作生成，并分析了 Motion VAEs 的局限性。

Mar, 2021

通过从大规模三维人脸数据集中学习而非模拟的方式，我们提出了一种通用的基于物理的人脸模型，使物理基础的人脸动画更容易使用。一旦训练完成，我们的模型可以快速适应任何未见过的身份，并自动生成一个可供动画使用的物理人脸模型。拟合过程非常简单，只需提供一个三维人脸扫描，甚至一个人脸图像。同时，我们提供直观的动画控制以及角色重定向的能力。所得到的动画能够具备碰撞避免、重力、麻痹、骨骼重塑等物理效果。

Feb, 2024

本文综述了基于骨架的人类角色动画中利用深度学习和深度强化学习的最新方法，分别涵盖运动数据表示、最常见的人体运动数据集以及在人类动画流水线中运用到的运动合成、角色控制和运动编辑等方面。同时，我们也探讨了当前基于深度学习和深度强化学习的状态 - of-the-art 方法的局限性以及未来研究的可能方向。

Oct, 2021